DIE GESCHICHTE DER NEURALEN NETZWERKE!

.

Die Saat ist gepflanzt!

Fangen wir von vorne an, als die idee kam. Sie denken vielleicht, dass die Deep Learning-Technik in letzter Zeit floriert hat, also hätte es ein paar angefangen 20-30 Jahre, aber lass mich dir sagen, dass alles ein paar angefangen hat 78 Jahre. Jawohl, du hast richtig gelesen, Die Geschichte der tiefes LernenTiefes Lernen, Eine Teildisziplin der Künstlichen Intelligenz, verlässt sich auf künstliche neuronale Netze, um große Datenmengen zu analysieren und zu verarbeiten. Diese Technik ermöglicht es Maschinen, Muster zu lernen und komplexe Aufgaben auszuführen, wie Spracherkennung und Computer Vision. Seine Fähigkeit, sich kontinuierlich zu verbessern, wenn mehr Daten zur Verfügung gestellt werden, macht es zu einem wichtigen Werkzeug in verschiedenen Branchen, von Gesundheit... geht oft zurück auf 1943 Wenn Walter Pitts Ja Warren McCulloch erstellte ein Computermodell, das die neuronalen Netze des menschlichen Gehirns unterstützte. Sie verwendeten eine Mischung aus Algorithmen und Arithmetik, die sie nannten „Schwellenwertlogik“ den Gedankengang nachzuahmen.

Seit damals, Deep Learning hat sich stetig weiterentwickelt, mit nur zwei wesentlichen Unterbrechungen in seiner Entwicklung. Beide wurden mit den berüchtigten Wintern der künstlichen Intelligenz in Verbindung gebracht.

Das Keimen der Samen ist sichtbar!

Während des Kalten Krieges, als amerikanische Wissenschaftler versuchten, aus dem Russischen ins Englische zu übersetzen, und einige der größten Mathematiker wie Alan Turing (oft als der Vater der modernen Computer bekannt) wer hat das erschaffen Turing-Test die Intelligenz einer Maschine testen. Frank Rosenblatt, ein Mathematiker entwickelte das erste auf neuronalen Netzen basierende Modell namens Perzeptron im Jahr 1958. Dies entspricht dem Machine-Learning-Modell Logistic Regression mit einem Verlust-FunktionDie Verlustfunktion ist ein grundlegendes Werkzeug des maschinellen Lernens, das die Diskrepanz zwischen Modellvorhersagen und tatsächlichen Werten quantifiziert. Ziel ist es, den Trainingsprozess zu steuern, indem dieser Unterschied minimiert wird, Dadurch kann das Modell effektiver lernen. Es gibt verschiedene Arten von Verlustfunktionen, wie z. B. mittlerer quadratischer Fehler und Kreuzentropie, jeder für unterschiedliche Aufgaben geeignet und... Etwas anders.

Inspiration: biologisches Neuron

Aus der Geschichte ist klar, dass wir uns immer von der Natur inspirieren lassen und dieser Fall ist nicht anders. Dies ist sehr inspiriert von der Natur und Biologie unseres Gehirns. In diesem Moment, sie hatten ein sehr grundlegendes Verständnis der Funktionsweise von Neuronen in unserem Gehirn. Lassen Sie mich Ihnen zuerst das biologische Neuron vorstellen.

Wenn wir die Oberflächenebene eines biologischen Neurons berühren, dann besteht es hauptsächlich aus 3 Teile, Ader, Dendriten und Axone. Die Zeichen / Elektrische Impulse werden von diesen Dendriten empfangen, die mit dem Kern verbunden sind, wo der Kern selbst eine Verarbeitung durchführt und schließlich eine Nachricht in Form eines elektrischen Signals an den Rest der Neuronen sendet, die mittels Axonen verbunden sind. Dies ist die einfachste Erklärung für die Funktionsweise eines biologischen Neurons, Wer Biologie studiert, würde wissen, wie enorm komplex seine Struktur ist und wie sie genau funktioniert.

Dann, Diese Mathematiker und Wissenschaftler haben einen Weg gefunden, dieses biologische Neuron mathematisch darzustellen, bei dem es n Eingänge für einen Körper gibt und jeder einzelne Gewichte hat, da möglicherweise nicht alle Inputs gleich wichtig für die Produktion des Outputs sind. Diese Ausgabe ist nichts anderes als das Anwenden einer Funktion, nachdem die Summe der Produkte dieser Eingaben und ihrer jeweiligen Gewichte gebildet wurde. Da diese Vorstellung des Perzeptrons weit von der komplexen Realität eines biologischen Neurons entfernt ist, wir können sagen, dass es vage von der Biologie inspiriert ist.

Es ist jetzt ein Bäumchen!

Jetzt kam die Ära, in der die Leute fragten, warum wir kein Netzwerk verbundener Neuronen schaffen könnten, das wiederum von den biologischen Gehirnen von Lebewesen wie dem Menschen inspiriert war., Affen, Ameisen, etc., die einfach eine Struktur aus miteinander verbundenen Neuronen haben. Viele Versuche wurden seit dem Jahrzehnt des 1960, aber das war erfolgreich in einem entscheidenden Beitrag auf 1986 von einer Gruppe von Mathematikern, einer davon war Geoffrey Hinton (hat phänomenale Beiträge im Bereich maschinelles Lernen und KI).

Dann kamen sie auf die Idee, Backpropagation Algorithmus. Knapp, wir können uns diesen Algorithmus als Kettendifferenzierungsregel merken. Damit war nicht nur die AusbildungTraining ist ein systematischer Prozess zur Verbesserung der Fähigkeiten, körperliche Kenntnisse oder Fähigkeiten. Es wird in verschiedenen Bereichen angewendet, wie Sport, Aus- und Weiterbildung. Zu einem effektiven Trainingsprogramm gehört auch die Zielplanung, Regelmäßiges Üben und Bewerten der Fortschritte. Anpassung an individuelle Bedürfnisse und Motivation sind Schlüsselfaktoren, um in jeder Disziplin erfolgreiche und nachhaltige Ergebnisse zu erzielen.... des Künstlichen Neuronalen Netzes, aber auch erstellt a KI-Hype wo die Leute den ganzen Tag darüber geredet haben und das im nächsten dachten 10 Jahren wäre es möglich, dass eine Maschine wie ein Mensch denkt.

Auch wenn es so viel Aufsehen erregte, verblasst im Jahrzehnt von 1990 und diese Periode wurde bekannt als die KI Winter weil die Leute viel dafür geworben haben, aber die tatsächliche Wirkung war damals marginal. Was denkst du könnte der Grund sein? Bevor ich den Grund dafür verrate, Ich möchte, dass du ihm eine Chance gibst.

Denken…

Denken…

Gut, hier hast du.

Pulverförmiger Schimmel auf dem Boden!

Auch wenn Mathematiker diesen schönen Backpropagation-Algorithmus entwickelt haben, Wegen des Mangel an Rechenleistung im Jahrzehnt von 1990 und das Unvollständige Daten, diese Übertreibung zu beenden starb, nachdem das US-Verteidigungsministerium. UU. stellte die Finanzierung von KI ein und sah die marginalen Auswirkungen im Laufe der Jahre, nachdem sie so gehypt war. Dann, maschinelle Lernalgorithmen wie SVM, Random Forest und GBDT entwickelten sich weiter und wurden bei . extrem beliebt 1995 Ja 2009.

Reifer Baum mit Blumen!

Obwohl sie alle zu Algorithmen wie SVM und allem gingen, Geoffrey Hinton glaubte immer noch, dass wahre Intelligenz nur durch neuronale Netze erreicht werden würde. Daher für fast 20 Jahre, Mit anderen Worten, von 1986 ein 2006, an neuronalen Netzen gearbeitet. Und in 2006 Er hat eine phänomenale Arbeit bei der Ausbildung eines rotes neuronalesNeuronale Netze sind Rechenmodelle, die von der Funktionsweise des menschlichen Gehirns inspiriert sind. Sie nutzen Strukturen, die als künstliche Neuronen bekannt sind, um Daten zu verarbeiten und daraus zu lernen. Diese Netze sind grundlegend im Bereich der künstlichen Intelligenz, Dies ermöglicht erhebliche Fortschritte bei Aufgaben wie der Bilderkennung, Verarbeitung natürlicher Sprache und Vorhersage von Zeitreihen, unter anderen. Ihre Fähigkeit, komplexe Muster zu erlernen, macht sie zu mächtigen Werkzeugen.. Tief. Dies ist der Beginn der Ära bekannt als Tiefes Lernen. Dieser Beitrag von Geoffrey Hinton wurde erst sehr populär 2012.

Sie fragen sich vielleicht, was tiefe neuronale Netze so beliebt gemacht hat in 2012. Dann, In 2012, Stanford veranstaltete einen Wettbewerb namens ImageNet, Eines der schwierigsten Probleme bestand damals aus Millionen von Bildern und die Aufgabe bestand darin, die Objekte aus dem gegebenen Bild zu identifizieren. Ich möchte, dass du dich daran erinnerst in 2012, Die Leute hatten eine riesige Menge an Daten, und gleichzeitig, die Berechnung war sehr mächtig im Vergleich zu dem, was im Jahrzehnt von 1980. Das Deep Neural Network oder Deep Learning übertraf alle maschinellen Lernalgorithmen in diesem Wettbewerb.

Dies war die Zeit, als große Tech-Giganten wie Google, Microsoft, Facebook und andere erkannten das Potenzial von Deep Learning und investierten massiv in diese Technologie..

Reifer Baum mit Früchten!

Heute, wenn ich über Deep Learning-Anwendungsfälle spreche, Es ist möglich, dass Sie wissen, dass einige der beliebten Sprachassistenten wie Google Assistant, Sirius, Alexa arbeitet mit Deep Learning. Zur selben Zeit, Die selbstfahrenden Autos von Tesla werden durch Fortschritte im Deep Learning ermöglicht. Abgesehen davon, es hat auch seine Anwendungen im Gesundheitswesen. Ich bin fest davon überzeugt, dass in Deep Learning noch viel Potenzial steckt, das wir in den kommenden Jahren erleben werden..

Dies sind einige meiner sozialen Profile, die Sie vielleicht besuchen möchten:

LinkedIn: https://bit.ly/3ltBarT

Github: https://bit.ly/3rQAYoH

Halb: https://bit.ly/3a66Jn1

Verwandt